Informe de Resultados Red Multiambiental de Evaluación de híbridos de Girasol

1 Introducción

El rendimiento de un cultivo (fenotipo) es función del resultado acumulativo de un número de factores que inciden en la interacción entre la expresión del material genético del cultivar o variedad (genotipo) y las condiciones en las cuales la planta crece (ambiente). Los ambientes difieren en la cantidad y calidad de recursos que están disponibles para las plantas (agua, nutrientes y radiación), y las plantas capturan y convierten dichos recursos en biomasa y órganos de interés comercial, según su carga genética, que a su vez es modulada por el ambiente (Yan y Kang, 2002).

Según el objetivo de mejoramiento, los genotipos pueden ser seleccionados para mejorar su adaptación a un amplio rango de condiciones ambientales o bien para condiciones más específicas. En este último caso, la adaptación sitio-específica de los genotipos se relaciona con el fenómeno denominado interacción genotipo-ambiente (GA), el cual se observa cuando la performance relativa de los fenotipos depende del ambiente en el que crecen (Malosetti et al., 2013).

La interacción GA reduce la asociación entre los valores fenotípicos y genotípicos, lo cual puede ocasionar que los genotipos seleccionados por su performance en un ambiente tengan mal desempeño en otro. Es por ello que en presencia de fuerte interacción GA, gran parte del éxito productivo del cultivo de girasol es el resultado de la elección de los materiales más aptos para cada ambiente.

1.1 Objetivos

  • Resumir los datos de rendimiento de los genotipos de girasol evaluadas en la Red CREA RNSF de Ensayos Multiambientales durante la campaña 2021/22.

  • Analizar estadísticamente los datos comparando los genotipos globalmente en toda la red en la campaña 2021/22.

  • Explorar y describir los patrones de la interacción GA en la campaña 2021/22 en particular y considerando el conjunto de ambientes explorados en las distintas localidades y campañas.

2 Metodología

2.1 Sitios experimentales

Durante la campaña 2021/22 se llevaron adelante ensayos comparativos de rendimiento de genotipos de girasol en 0 localidades del Norte de la Provincia de Santa Fe. Los sitios seleccionados para los ensayos en cada localidad corresponden a establecimientos productivos de miembros CREA de la Región Norte de Santa Fe. La distribución espacial e información de los ensayos se muestra en la Figura 2.1. A modo de referencia se incluye la ubicación de los ensayos de las campañas anteriores.

Mapa interactivo: se puede hacer zoom o mostrar/ocultar información de cada ensayo (Fecha de siembra, antecesor, densidad, fertilizacion, etc) haciendo haciendo clik sobre los puntos de la campaña 2021/22.

Figura 2.1: Distribución espacial de las localidades incluidas en la campaña 2021/22 y anteriores

En cada sitio se establecieron ensayos comparativos de rendimiento (ECR) utilizando un diseño experimental sin réplicas con controles sistemáticos (Kempton, 1997). Los materiales fueron sembrados con espaciamiento entre surco (EES) de 52 cm en franjas de 4.16 m de ancho por entre 150 y 200 m de longitud. En todos los casos se utilizó maquinaria de los productores.

2.2 Genotipos

Los tratamientos evaluados en la campania 2021/22 fueron 0 genotipos. En la Tabla 2.1 se indican las localidades en las que fueron evaluados.

Tabla 2.1: Cultivares evaluadas y localidades en las que fueron incluidas
Semillero Genotipo Localidades
Calchaqui La Osca Lanteri Malabrigo Soledad
ACA 216 CLDM
ADV 5407 CL
ADV 5505 CL
ARGENSOL 20 MAX
ARGENSOL 72 CL
MG 360
CACIQUE 320 CL
CACIQUE 322 CL (EXP)
HS PIRAYU CL
106 CL HO
NS 1109 CL
NS 1113 CL
RGT CABILLIO
RGT CATEDRALL
RGT OBELLISCO CL
SY 3970 CL
SYN 3939 CL
SYN 3969 CL

La mayoría de los genotipos estuvieron presentes en las 0 localidades. Los genotipos ARGENSOL 20 MAX y ARGENSOL 72 CL solo se evaluaron en Calchaqui y Soledad, mientras que NS 1113 CL no estuve presente solamente en Lanteri. El genotipo NS 1109 CL actuó como referencia o check, con más de una réplica por localidad.

Para el análisis global se utilizaron los datos de todos los genotipos con presentes en al menos tres localidades.

2.3 Análisis estadístico

2.3.1 Rendimientos testigos

La información proveniente de las franjas testigo repetidas se utilizó para evaluar la variación dentro de las localidades y la existencia de tendencia espacial de los rendimientos según su ubicación en el experimento. Para esto último, en cada localidad se ajustaron modelos lineales de los rendimientos en función del orden de la parcela:

\[ y_{i} = \beta_0 + \beta_1X_i + e_{i} \]

donde: \(y_{i}\) representa la respuesta del testigo en la parcela \(i\), \(X_i\) es el número de posición de la parcela en el experimento, y \(\beta_0\) y \(\beta_1\) coeficientes de regresión.

2.3.2 Corrección por materia grasa

Los rendimiento secos observados se corrigieron por el % de materia grasa mediante la siguiente expresión:

\[ y^* = \left( \dfrac{2(MG - 42)}{100} + 1 \right) \times y \]

donde: \(y\) y \(y^*\) son el rendimiento real y corregido por materia grasa (\(MG\))

Las determinaciones de materia grasa se realizaron por el método de resonancia magnética (NMR) utilizando un equipo SPILNOCK. Debido a inconvenientes analíticos, los valores de MG utilizados para la corrección en la localidad Calchaquí corresponden al promedio observado en el resto de las localidades.

2.3.3 Estadísticas descriptivas

Se calcularon estadísticas de resumen y gráficos descriptivos por genotipo y localidad para las variables respuesta rendimiento seco, materia grasa y rendimiento seco corregido por materia grasa, expresados en kg ha-1 y % respectivamente.

El promedio de cada genotipo en la red se calculó utilizando la siguiente expresión:

\[ \bar{y}_i = \dfrac{\sum y_{ij}}{n_i} \]

donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\), \(y_{ij}\) es el rendimiento del genotipo \(i\) en la localidad \(j\) y \(n_i\) es el número de localidades donde fue evaluado el genotipo \(i\). En aquellos casos donde se contó con más de una franja por localidad, los datos fueron promediados dentro de cada localidad. Así mismo el coeficiente de variación (\(CV\)) de cada genotipo en la red se calculó mediante la siguiente expresión:

\[ CV_{{y}_i} = \dfrac{s_{y_i}}{\bar{y}_i} \times 100 \]

donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\) y \(s_{y_{i}}\) es el desvío estándar de los rendimientos del genotipo \(i\) a través de las localidades:

\[ s_{y_i} = \sqrt{\dfrac{\sum \left(y_{ij} - \bar{y}_i \right)^2}{n_i -1}} \]

2.3.4 Diferencias de rendimiento

Para comparar y determinar las diferencias de respuesta de los materiales evaluados a nivel región se ajustó a los datos un modelo lineal mixto, i.e. con efectos fijos y aleatorios sobre el rendimiento medio global de la Red. Los genotipos fueron considerados efectos fijos y las localidades efectos aleatorios:

\[ y^*_{ij} = \mu + \tau_i + l_j + e_{ij} \]

donde: \(y^*_{ij}\) representa la respuesta del genotipo \(i\) sembrado en la localidad \(j\), corregido por efecto de la posición de la parcela en caso necesario; \(\mu\) es la media general de los ensayos de la red, \(\tau_i\) es efecto o diferencia del genotipo \(i\) respecto a la media general del ensayo, \(l_j\) el efecto de la localidad \(j\), y \(e_{ij}\) el error experimental asociado al genotipo \(i\) sembrado en la localidad \(j\). Se asume que \(l_j\) como \(e_{ij}\) son independientes y tienen distribución normal con media 0 y varianza \(\sigma^2_l\) y \(\sigma^2_e\).

Este modelo asume que los niveles de Localidad son una muestra aleatoria de las localidades de la Región Norte y permite realizar inferencia más amplia sobre la respuesta de los genotipos. Debido a que los testigos fueron las únicas variedades replicadas, la interacción Genotipo:Localidad representaría la heterogeneidad de dicho genotipo dentro de cada Localidad por lo tanto no fue estimada (Piepho et al., 2012).

Las diferencias de rendimiento entre genotipos se determinaron mediante la prueba de comparaciones múltiples de Tukey, considerando un nivel de significancia de 10%.

2.3.5 Análisis interacción genotipo x ambiente

Para explorar los patrones de interacción GA se utilizó el procedimiento de regresión sobre la media (Finlay y Wilkinson, 1963)

La heterogeneidad ambiental explorada por los genotipos considerados en la red se caracterizó mediante los rendimientos medios de cada Localidad. Esta covariable denominada Índice Ambiental (IA) fue utilizada para modelar la interacción GA a partir del siguiente modelo:

\[ y_{ij} = \mu_i + \beta_i X_j + e_{ij} \]

donde: \(y_{ij}\) es el rendimiento del genotipo \(i\) en el ambiente o localidad \(j\), \(\mu_i\) es la ordenada al origen de cada genotipo, \(X_j\) el índice ambiental de la localidad \(j\), y \(\beta_i\) la pendiente o sensibilidad del genotipo \(i\) a los cambios del IA.

Según este modelo, \(\mu_i\) representa el comportamiento de los genotipos en el ambiente promedio y los coeficientes \(\beta_i\) la sensibilidad de los Genotipos a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. Entonces, si la interacción GA es significativa representa la heterogeneidad de respuestas, i.e. \(\beta\) distintos para los genotipos. El valor de \(\beta\) indica la sensibilidad el genotipo a los cambios de calidad del ambiente. Si \(\beta_i > 1\) indica que el genotipo \(i\) tiene una respuesta mayor al promedio (a mayor calidad ambiental, mayor rendimiento), en cambio si \(\beta_i < 1\), entonces el genotipo responde menos.

Para complementar este análisis, se realizó el mismo procedimiento combinando los datos de campañas anteriores. Sobre dicha base de datos se exploró la respuesta de los genotipos repetidos en las últimas tres campañas empleando la misma metodología.

Tabla 2.2: Frecuencia de ambientes en la que estuvo presente cada genotipo en las últimas tres campañas
Genotipo Número de ambientes
ARGENSOL 20 MAX 18
RGT CABILLDO CL 18
SY 3970 CL 17
CACIQUE 312 CL 13
LG 5710 12
ADV 5500 12
PARAISO 1600 CL PLUS 11
106 CL HO 10
ACA 216 CLDM 10
ADV 5505 CL 10
CACIQUE 320 CL 10
NS 1109 CL 10
RGT CATEDRALL 10
SYN 3939 CL 10
ARGENSOL 72 CL 9
PAN 7047 CL 9
SYN 4066 8
LG 50760 CL 8
NUSOL 4170 CL PLUS 7
TOB 3045 7
SY 3825 CL 5
ACA 206 CLDM 5
ARGENSOL 74 CL 5
TOB 4260 CL 5
ADV 5407 CL 5
CACIQUE 322 CL (EXP) 5
HS PIRAYU CL 5
MG 360 5
RGT OBELLISCO CL 5
SYN 3969 CL 5
NUSOL 4100 CL 4
NUSOL 4120 CL 4
NUSOL 4510 CL AO 4
RGT VELLOX 4
SHERPA 4
EXP. CENCERRO 4
TOB 3070 4
NS 1113 CL 4
RGT KAPLLAN 3
LG 30750 3
SY 3939 3

De los 42 genotipos evaluados durante las últimas 5 campañas, solo 14 estuvieron en al menos 10 de los ambientes conformados por la interacción Campaña:Localidad. Estos genotipos fueron utilizados para el análisis. Si bien el criterio de inclusión reduce la cantidad de genotipos se incrementa la potencia para detectar patrones de interacción.

2.4 Software

Los datos fueron procesados utilizando el software estadístico R versión 4.1 (R Core Team, 2021) y los paquetes nlme (Pinheiro et al., 2018), emmeans (Lenth, 2019), tidyverse (Wickham, 2017) y plotly (Sievert, 2020).

3 Resultados

3.1 Rendimiento testigo

En la Tabla 3.1 se muestran los rendimientos promedio por localidad de los genotipos utilizados como check o control.

Tabla 3.1: Rendimiento seco medio y coeficiente de variación por localidad de los genotipos utilizados como check
Localidad media CV
La Osca 4870 1
Lanteri 4578 5
Malabrigo 3457 11
Soledad 3411 11

En general la variabilidad observada en los controles repetidos fue baja indicando homogeneidad en las condiciones experimentales dentro de cada sitio. Tampoco se observó un gradiente de rendimientos consistente en dirección al orden de las parcelas por lo que los rendimientos no fueron ajustados. Por otro lado, el stand de plantas en las localidades evaluadas mostró baja variación, con CV en torno al 10%.

3.2 Rendimientos por Localiad {.tabset .tabset-dropdown}}

Las Figuras 3.1 y 3.2 muestran los rendimientos medios corregidos por %MG y el %MG por localidad, respectivamente. La línea continua representa el promedio en toda la campaña.

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda.

3.2.1 Rendimiento corregido por %MG

Figura 3.1: Rendimiento medio corregido 42% MG y desvío estándar por Localidad

En general se observaron rendimientos promedios similares entre las localidades, siendo La Osca y Lanteri ligeramente superiores a las restantes. Por otro lado, las parcelas con checks mostraron rendimientos en torno al rendimiento promedio de la localidad.

3.2.2 Materia grasa (%MG)

Figura 3.2: Contenido de materia grasa (%MG) promedio y desvío estándar por Localidad

En general se observaron contenidos de grasa promedios similares entre las localidades, siendo Soledad ligeramente inferior y más variables. Los contenidos de MG oscilaron en torno al 57%.

3.3 Rendimientos por Genotipo

En la Figura 3.3 y 3.4se presentan los valores medios y desviaciones estándar de los rendimientos corregidos por %MG y el %MG de los genotipos considerando la variabilidad entre localidades.

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda.

3.3.1 Rendimiento corregido

Figura 3.3: Rendimientos medios y desvio estándar de los genotipos

En general todos los genotipos presentaron rendimientos medios entre 2600 y 4700 kg ha-1. La amplitud de las barras de cada material representan las diferencias de variabilidad entre ambientes. Genotipos como SYN 3939CL, RAGT CABILLIO, MG 360, NS 1113 CL y SYN 3969 CL mostraron un rendimiento promedio superior al general.

3.3.2 Materia grasa (%MG)

Figura 3.4: Contenido de MG medio y desvio estándar de los genotipos

El conteido promedio de %MG varió ente 52 y 60%. En algunos casos con variaciones de 5 puntos de MG o más entre las localidades.

3.4 Rendimientos promedio y CV

En las Tablas 3.2, 3.4 y 3.3 se presentan los promedios y \(CV\) por Genotipo y Localidad, del rendimiemto ajustado por MG, %MG y rendimiento relativo base 100. Los colores de ambas tablas dividen el rango de valores observados en partes de igual número de observaciones (quintiles). A su vez, los genotipos se encuentran ordenados por el promedio general a través de las localidades.

3.4.1 Redimientos ajustados 42% MG

Tabla 3.2: Rendimiento seco medio (kg/ha) y coeficiente de variación por genotipo y localidad
Genotipo Localidad Promedio CV
Calchaqui La Osca Lanteri Malabrigo Soledad
SYN 3939 CL 4474 5146 5423 4502 4224 4754 10
RGT CABILLIO 5026 4867 4459 4305 3377 4407 13
MG 360 3250 5331 4417 4460 4510 4394 15
NS 1113 CL 4769 4962 3507 4205 4361 13
SYN 3969 CL 4482 5518 4526 3807 3391 4345 17
NS 1109 CL 4160 4870 4578 3457 3411 4095 14
106 CL HO 3776 4322 4523 3455 4335 4082 10
SY 3970 CL 3889 5615 4580 3771 2284 4028 27
ADV 5407 CL 4202 4499 3182 4549 3219 3930 15
HS PIRAYU CL 3681 3296 4217 3487 3878 3712 9
ADV 5505 CL 3954 3796 4324 3461 2965 3700 12
RGT OBELLISCO CL 4139 4751 4452 3020 1951 3663 28
ACA 216 CLDM 3151 4656 3954 3559 2358 3536 22
RGT CATEDRALL 3337 4364 3900 3361 2068 3406 23
CACIQUE 322 CL (EXP) 3162 3904 2630 3906 2308 3182 20
CACIQUE 320 CL 3042 3705 2965 3367 2774 3171 10
ARGENSOL 20 MAX 2957 2245 2601 14
ARGENSOL 72 CL 3038 2105 2572 18
Promedio 3805 4600 4142 3748 3089 3774 16
CV 17 15 17 13 28 16 36
Min 2957 3296 2630 3020 1951 2572 9
Max 5026 5615 5423 4549 4510 4754 28
Los datos pueden descargarse del siguiente link medias_CV_reales.xlsx

La variabilidad dentro de cada localidad, la cual indica la dispersión de los rendimientos entre los genotipos, fue moderada a baja entre 13 y 28%. Del mismo modo, el nivel de variabilidad de los genotipos a través de los ambientes mostró valores bajos (~ 10%) y moderados (> 20%). Aproximadamente el 50% de los genotipos tuvo CV entre 12 y 20%.

A excepción de SYN 3939 CL que se ubico en el primer quintil en todas las localidades, el resto mostro cambios en en la posicion dentro de cada localidad. Por ejemplo, RAGT CABILLIO estuvo entre el 20% superior en dos ambientes, dentro del 40% superior en otras dos y dentro del 60% superior en una localidad.

3.4.2 Redimientos relativos

Tabla 3.3: Rendimiento corregido 42% MG expresado en base 100 y coeficiente de variación por genotipo y localidad
Genotipo Localidad Promedio CV
Calchaqui La Osca Lanteri Malabrigo Soledad
SYN 3939 CL 118 112 131 120 137 124 7
NS 1113 CL 125 108 94 136 116 14
MG 360 85 116 107 119 146 115 17
RGT CABILLIO 132 106 108 115 109 114 8
SYN 3969 CL 118 120 109 102 110 112 6
106 CL HO 99 94 109 92 140 107 16
NS 1109 CL 109 106 111 92 110 106 7
ADV 5407 CL 110 98 77 121 104 102 14
SY 3970 CL 102 122 111 101 74 102 16
HS PIRAYU CL 97 72 102 93 126 98 18
ADV 5505 CL 104 83 104 92 96 96 8
RGT OBELLISCO CL 109 103 107 81 63 93 19
ACA 216 CLDM 83 101 95 95 76 90 10
RGT CATEDRALL 88 95 94 90 67 87 12
CACIQUE 320 CL 80 81 72 90 90 83 8
CACIQUE 322 CL (EXP) 83 85 63 104 75 82 16
ARGENSOL 20 MAX 78 73 76 3
ARGENSOL 72 CL 80 68 74 8
Promedio 100 100 100 100 100 99 12
CV 17 14 18 12 28 15 42
Min 78 72 63 81 63 74 3
Max 132 122 131 121 146 124 19
Los datos pueden descargarse del siguiente link medias_CV_MG42_rel.xlsx

Al considerar los rendimientos en base 100 expresados sobre el promedio de cada localidad se remueve el efecto de la variación entre localidades. Se observa un reacomodamiento pero manteniendo a los genotipos con rendimiento superior al 80% de los materiales evaluados. ### Materia grasa (%MG)

Tabla 3.4: Contenido de MG (%) y coeficiente de variación por genotipo y localidad
Genotipo Localidad Promedio CV
Calchaqui La Osca Lanteri Malabrigo Soledad
ADV 5407 CL 60 61 59 60 60 60 1
MG 360 59 61 57 60 59 59 2
NS 1113 CL 59 60 59 58 59 1
SY 3970 CL 59 58 60 61 58 59 2
SYN 3939 CL 59 58 59 60 58 59 1
SYN 3969 CL 59 60 59 60 57 59 2
106 CL HO 58 59 60 58 56 58 2
RGT CABILLIO 58 59 58 60 57 58 2
RGT OBELLISCO CL 58 59 58 60 56 58 2
NS 1109 CL 57 58 58 58 54 57 3
ACA 216 CLDM 56 58 57 57 53 56 3
CACIQUE 322 CL (EXP) 56 59 57 58 52 56 4
ADV 5505 CL 55 55 56 55 53 55 2
HS PIRAYU CL 55 53 56 58 54 55 3
RGT CATEDRALL 54 55 55 54 51 54 3
ARGENSOL 72 CL 53 53 53 0
CACIQUE 320 CL 53 54 54 55 48 53 5
ARGENSOL 20 MAX 51 51 51 0
Promedio 57 58 58 58 55 57 2
CV 5 4 3 4 6 5 61
Min 51 53 54 54 48 51 0
Max 60 61 60 61 60 60 5
Los datos pueden descargarse del siguiente link medias_CV_MG42_rel.xlsx

La variación de los contenidos de MG entre ambientes y entre híbridos fue baja (CV 1-5%).

3.4.3 Gráfico

La Figura 3.5 presenta la relación entre los rendimientos medios (corregido por MG 42%) y la estabilidad (indicada por el CV) de los genotipos a través de las localidades incluidas en la red durante la campaña 2021/22.

Figura 3.5: Rendimiento seco medio corregido a 42% MG (en kg/ha) y CV (%) de los genotipos evaluados en la campaña 2021/22

Tomando el rendimiento y CV medios de la red (líneas punteadas), se observa que los genotipos con altos rendimientos promedio (SYN 3939 CL, RAGT CABILLIO, MG 360, NS 1113 CL) mostraron una variabilidad en torno al 10-15%, inferior al promedio de variación de los materiales evaluados.

Los genotipos SYN 3970 CL y RGT OBELISCO CL mostraron rendimientos cercanos al promedio pero con moderada variabilidad.

3.5 Diferencias entre genotipos

En la Tabla 3.5 se presentan los resultados del análisis de la varianza (ANOVA) del modelo mixto ajustado:

Tabla 3.5: Tabla de Análisis de la Varianza del modelo lineal mixto
gl num gl den F Valor p
(Intercept) 1 59 287.61 0.00000
Genotipo 15 59 3.66 0.00017

Se detectaron diferencias de rendimiento estadísticamente significativas considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p = 0.00017). En Tabla 3.6 se listan los valores medios ajustados, errores estándar e intervalos de confianza de los rendimientos medios de cada genotipo. La amplitud de los \(IC_{90}\) responde a que el espacio de inferencia es toda la región de donde proviene la muestra de las 4 localidades analizadas y la precisión alcanzada según el número de réplicas.

Tabla 3.6: Rendimientos intervalos de confianza 90% ajustados por el modelo-mixto
Rend. medio Error estándar gl LI IC90 LS IC90 grupo
SYN 3939 CL 4754 331 4 4049 5459 1
NS 1113 CL 4418 354 4 3664 5173 12
RGT CABILLIO 4407 331 4 3702 5112 12
MG 360 4394 331 4 3688 5099 12
SYN 3969 CL 4345 331 4 3640 5050 12
NS 1109 CL 4095 331 4 3390 4800 123
106 CL HO 4082 331 4 3377 4787 123
SY 3970 CL 4028 331 4 3323 4733 123
ADV 5407 CL 3930 331 4 3225 4635 123
HS PIRAYU CL 3712 331 4 3007 4417 123
ADV 5505 CL 3700 331 4 2995 4405 123
RGT OBELLISCO CL 3663 331 4 2957 4368 123
ACA 216 CLDM 3536 331 4 2830 4241 23
RGT CATEDRALL 3406 331 4 2701 4111 23
CACIQUE 322 CL (EXP) 3182 331 4 2477 3887 3
CACIQUE 320 CL 3171 331 4 2465 3876 3

El cuadro anterior representa el ranking de genotipos ordeandos por el rendimiento global para la zona de influencia de la Red. El rendimiento medio representa la mejor estimación global del rendimiento de cada genotipo para la región en general a partir de la información obtenida en el presente ensayo. Este valor estimado se acompaña de los límites de un intervalo de confianza (LI IC90 y LS IC90) los cuales representan la región donde se encuentra el verdadero valor del rendimiento.

Considerando la red globalmente, el ranking de materiales muestra diferencias entre SYN 3939 CL respecto de ACA 216 CLDM, RGT CATEDRALL, CACIQUE 322 CL (EXP) y CACIQUE 320 CL. En otro grupo de diferencias, NS 1113 CL, RGT CABILLIO, MG 360 y SYN 3669 CL se separan de CACIQUE 322 CL (EXP) y CACIQUE 320 CL.

3.6 Interacción GA

3.6.1 Campaña actual

Las diferencias de los rendimientos medios de cada localidad resumen la heterogeneidad de condiciones ambientales a las cuales fueron sometidos los genotipos evaluados. Utilizando esta información se construye un índice ambiental (IA) que se utiliza para modelar la interacción genotipo x ambiente a partir de rendimientos de cada genotipo y ambiente. En la Tabla 3.7 se presenta la tabla de ANOVA del modelo.

Tabla 3.7: Tabla de ANOVA del modelo de regresión para la interacción GxA
Fuente gl SC CM F Valor p
Localidad 4 20898019.36 5224504.84 23.18 <0.0001
Genotipo 17 19743559.94 1161385.88 5.15 <0.0001
Genotipo:IA 17 7702281.16 453075.36 2.01 0.0322
Residuals 44 9917869.34 225406.12

Según este análisis, se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.03). Esto implica que la relación entre el IA y los rendimientos no fue homogénea manifestando diferencias de sensibilidad.

En la Figura 3.6 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1).

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda. Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.

Figura 3.6: Respuesta diferencial de cada Genotipo a los cambios del IA

Las pendientes (\(\beta\)) de las rectas (línea sólida de color) representan la sensibilidad de cada genotipo a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. La sensibilidad promedio (línea punteada) representa la respuesta general de todos los genotipos. Para un genotipo cualquiera, si el valor de la pendiente es \(\beta_i > 1\), el genotipo en cuestión tiene mayor sensibilidad a los cambios de calidad del ambiente (a mayor calidad ambiental, mayor rendimiento, y vice versa). En cambio si \(\beta_i < 1\), entonces el genotipo es menos sensible y tendría mejores respuestas en ambientes malos y respuestas inferiores al promedio en ambientes buenos. Las diferencias entre las pendientes de los distintos genotipos representa la interacción GA.

A modo descriptivo los valores estimados de los \(\beta\) para algunos genotipos, como por ejemplo ARGENSOL 72 CL, SYN 3969 CL, ACA 216 CLDM, RGT CATEDRALL, RGT OBELLISCO CL, y SY 3970 CL mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, HS PIRAYU CL, 106 CL HO, MG 360, CACIQUE 320 CL, ADV 5407 CL, NS 1113 CL, y ADV 5505 CL fueron los materiales con menor sensibilidad (pendientes 25% menores a 1). No obstante, sólo en los materiales HS PIRAYU CL, 109 CL HO, RGT OBELLISCO CL y SY 3970 CL dichas pendientes fueron estadísticamente distintas de la recta 1:1.

El siguiente gráfico muestra la relación entre las pendientes estimadas y los rendimientos medios de cada genotipo.

Figura 3.7: Coeficiente de sensibilidad vs rendimiento medio de los genotipos a través de las localidades

Se observa que entre los materiales con mayor rendimiento promedio, los valores de sensibilidad fluctuaron entre 0.5 y 1.5.

3.6.2 Últimas tres campañas

Al considerar los ambientes evaluados en las últimas tres campañas (combinacion localidad x campaña), sólo 14 genotipos estuvieron presentes en los 18 ambientes explorados en las últimas tres campañas. En la Tabla 3.8 se presenta la tabla de ANOVA del modelo de regresión de la media ajustado.

Tabla 3.8: Tabla de ANOVA del modelo de regresión para la interacción GxA
Fuente gl SC CM F Valor p
Localidad 12 74192073.15 6182672.76 39.51 <0.0001
Genotipo 13 21853610.91 1681046.99 10.74 <0.0001
Genotipo:IA 14 69948484.99 4996320.36 31.93 <0.0001
Residuals 131 20497248.89 156467.55

Según este análisis se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.0084). Esto implica que al menos uno de los genitipos mostró una norma de reacción con pendiente distinta de 1, es decir, sensibilidad diferente al promedio. La Table 3.9 muestra los valores de pendiente estimados.

Tabla 3.9: Penidentes estimadas últimas tres campañas
Genotipo Beta Error estándar gl LI IC95 LS IC95
SYN 3939 CL 1.12 0.13 143 0.85 1.38
RGT CABILLDO CL 1.11 0.09 143 0.92 1.29
SY 3970 CL 1.08 0.10 143 0.89 1.27
ADV 5500 1.03 0.18 143 0.68 1.38
NS 1109 CL 1.01 0.13 143 0.75 1.28
CACIQUE 312 CL 0.99 0.14 143 0.72 1.26
ACA 216 CLDM 0.98 0.13 143 0.72 1.25
RGT CATEDRALL 0.95 0.13 143 0.69 1.22
106 CL HO 0.91 0.13 143 0.65 1.18
PARAISO 1600 CL PLUS 0.89 0.16 143 0.58 1.19
ADV 5505 CL 0.88 0.13 143 0.61 1.14
LG 5710 0.84 0.15 143 0.54 1.14
ARGENSOL 20 MAX 0.72 0.12 143 0.48 0.95
CACIQUE 320 CL 0.68 0.13 143 0.42 0.95

Según la tabla anterior se observa que solamente el material ARGENSOL 20 MAX y CACIQUE 320 CL tiene un valor de sensibilidad significativamente distinto (inferior) a la unidad, lo que implicaría una menor sensibilidad a los cambios del ambiente.

En la Figura 3.8 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1). Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.

Figura 3.8: Respuesta diferencial de cada Genotipo a los cambios del IA ultimas tres campañas

Según el gráfico anterior se observa la menor pendiente de ARGENSOL 20 MAX y CACIQUE 320 CL. También un mayor rendimiento medio de SYN 3939 CL siguiendo el patrón de sensibilidad del promedio. Algo similar pero con rendimientos por debajo del promedio general RGT CATEDRALL.

4 Consideraciones finales

En general se observó una moderada a baja variabilidad de los rendimientos de cada variedad a través de las distintas localidades evaluadas y baja heterogeneidad de respuesta dentro de cada localidad. A nivel global las diferencias se mayormente entre GINKO y KLEIN LIEBRE con rendimientos de ~ 100 kg superiores a KLEIN SELENIO CL y JACARANDA.

En el estudio de la interacción GA mediante el método de regresión no detectó diferencias significativas respecto al patrón de respuesta promedio cuando se consideró la campaña actual. No obstante, algunos genotipos mostraron patrones de reacción con marcada sensibilidad o estabilidad una tendencia mayor rensibilidad a variaciones del índice ambiental.

En el análisis combinado los datos de las últimas tres campañas se observó algunas diferencias significativas en los patrones siendo ACA 602 menos sensible que el promedio y GINGKO el de mayor rendimiento a través de los ambientes.

5 Agradecimientos

  • A las empresas semilleras: A.C.A., Advanta, Argenetics, Corteva, El Cencerro, Hersem, Nidera, R.A.G.T., y Syngenta, por haber confiado un año más en nuestra zona y en la utilidad de los Ensayos Comparativos de Rendimiento.

  • A las Empresas CREA de la Región Norte de Santa Fe que año tras año realizan el esfuerzo de siembra conducción y cosecha de estas macro parcelas en sus establecimientos, dedicando personal tiempo y recursos para tal fin.

6 Bibliografía

Finlay, K. W., and Wilkinson, G.N. (1963). The analysis of adaptation in a plant-breeding programme. Aust. J. Agric. Res. 14, 742–754.

Kempton, R.A. (Ed) (1997). Statistical methods for plant variety evaluation. Plant breeding series. Chapman & Hall, London. pp. 191.

Lenth, R. (2019). emmeans: Estimated Marginal Means, aka Least-Squares Means. R package version 1.3.3. https://CRAN.R-project.org/package=emmeans

Malosetti, Marcos, Jean-Marcel Ribaut, and Fred A. van Eeuwijk. 2013. “The Statistical Analysis of Multi-Environment Data: Modeling Genotype-by-Environment Interaction and Its Genetic Basis.” Frontiers in Physiology 4 (March). doi:10.3389/fphys.2013.00044.

Piepho, H.P., C. Richter, J. Spilke, K. Hartung, A. Kunick, and H. Thöle. 2011. Statistical aspects of on-farm experimentation. Crop and Pasture Science 62(9): 721.

Pinheiro J, Bates D, DebRoy S, Sarkar D, R Core Team (2018). nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-137, URL: https://CRAN.R-project.org/package=nlme.

R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

Sievert, C. (2020) Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC Florida.

Wickham, H. (2017). tidyverse: Easily Install and Load the ‘Tidyverse’. R package version 1.2.1. https://CRAN.R-project.org/package=tidyverse

Yan, W.; Kang, M. S. (2002). GGE Biplot Analysis: A Graphical Tool for Breeders, Geneticists, and Agronomists. 1st edition. CRC Press. pp. 288.